Старший аналитик / Senior Analyst

О компании

EMEX — международный холдинг: маркетплейс, информационный бизнес, фулфилмент, управление активами в РФ, ОАЭ и Японии. Более 20 лет прибыльной работы.

В этой роли вы будете работать с контуром E-com EMEX — системой, которая соединяет покупателей и продавцов и охватывает весь цикл от привлечения пользователя и выбора товара до исполнения заказа, доставки, возврата и повторной покупки.

E-com ежедневно генерирует большое количество данных о пользователях, заказах, товарном предложении, возвратах и качестве пользовательского опыта.

Наша задача — связать эти данные в единую систему и сделать экономику и ключевые процессы бизнеса измеримыми и управляемыми.

Зачем эта роль

Мы ищем старшего аналитика, который усилит систему бизнес и продуктовой аналитики маркетплейса.

Цель роли — построить сквозную систему аналитики, которая позволит бизнесу понимать, за счет чего формируются NMV, маржинальность и EBITDA, где контур E-com теряет пользователей, заказы и деньги и какие изменения дадут максимальный экономический эффект.

Аналитик будет работать со всем E2E-контуром E-com: от трафика, активации и конверсии до заказов, торгового предложения, пользователей (поставщиков и покупателей), качества исполнения, возвратов, и финансового результата.

Основные заказчики аналитики — CEO, руководитель продукта и руководитель системы управления качеством.

Задача аналитика — не только показывать, что произошло, но и объяснять, почему это произошло, сколько это стоит бизнесу и что необходимо изменить.

Что находится в контуре роли

1. E2E-аналитика контура E-com

• Информационный разрез — переходы по статусам и действия в системе на всём пути заказа: визиты, просмотры, поиск, корзина, оформление, оплата, сборка, отгрузка, выдача, отмена, возврат. Примеры метрик: конверсия по шагам воронки, длительность этапа, доля отмен и отказов.
• Товарный разрез — позиции заказа: артикул, категория, бренд, поставщик, склад, цена, срок поставки, наличие. Примеры метрик: покрытие спроса (match rate), доля выпавшего предложения , уровень возвратов по категориям и поставщикам.
• Документарный разрез — счета, УПД, накладные, акты расхождений, сертификаты и декларации, коды маркировки, претензии. Примеры метрик: доля заказов, закрытых документами в срок, время до закрытия, объём выручки в незакрытых документах, доля позиций без обязательных подтверждений.
• Сборка в единую систему — витрины связываются общим ключом заказа и пользователя, что даёт сквозную воронку от первого визита до повторной покупки и позволяет разложить просадку на причину: процесс, ассортимент или оформление. На этой основе строятся E2E-дашборды для управления бизнесом.

Результат: руководство видит маркетплейс как единую систему, понимает динамику ключевых показателей и определяет, на каком этапе и по какой причине возникают отклонения.

2. Экономика заказов и финансовая аналитика

• Экономика заказа и транзакции — из чего складывается результат по одному заказу: выручка, себестоимость исполнения, комиссия Emex. Примеры метрик: Cost per Transaction — совокупные издержки на одну транзакцию (логистика, обработка, платёж, поддержка).
• Финансовый результат и его декомпозиция — разложение итога до драйверов, а не констатация суммы. Примеры метрик: NMV — оборот по исполненным заказам; Returned NMV — часть оборота, вернувшаяся возвратами и отказами; Total Margin — валовая маржа после прямых издержек; EBITDA — операционная прибыль до амортизации и процентов.
• Модель unit-экономики — расчёт и развитие модели, которая переводит поведение одного пользователя и одного заказа в финансовый результат целиком.
• Влияние факторов на экономику — как конверсия, частота, средний чек, возвраты и качество исполнения меняют маржинальность; какой из факторов даёт наибольший вклад в отклонение.
• Оценка эффекта изменений — расчёт финансового результата продуктовых и операционных инициатив, выявление источников потерь и зон роста маржинальности.

Результат: бизнес понимает экономику заказов и основные драйверы финансового результата, а инициативы оцениваются через их влияние на маржинальность и EBITDA.

3. Поддержка управленческих и продуктовых решений

• Постановка задачи — перевод бизнес-вопросов и гипотез в измеримую аналитическую формулировку: что именно считаем, на каких данных, какой ответ считается достаточным.
• Оценка до запуска — расчёт потенциального эффекта инициативы: какую метрику она двигает, на сколько и что это даёт в деньгах.
• Рекомендация — вывод на данных с указанием допущений и границ применимости, а не только выгрузка цифр.
• Приоритизация — участие в отборе продуктовых и операционных инициатив исходя из ожидаемого эффекта и стоимости реализации.
• Замер после — сверка фактического результата с прогнозом и разбор расхождений.

Результат: ключевые решения принимаются на данных, инициативы имеют рассчитанный ожидаемый эффект, а после реализации бизнес понимает их фактический результат.

4. Данные и аналитическая инфраструктура

• Работа с данными — SQL для исследования, проверки и трансформации данных; Python для моделирования и автоматизации регулярных расчётов.
• Единые определения — фиксация формул и границ каждой бизнес-метрики, контроль согласованности показателей между отчётами и источниками.
• BI-слой — создание и развитие дашбордов для регулярного управления: владелец, SLA обновления, регламент разбора отклонений.

Результат: у бизнеса есть единый источник аналитической информации, определения метрик согласованы, а аналитика воспроизводима и масштабируема.

Задача роли — не поддерживать набор показателей, а связать их причинно-следственными связями и экономикой, чтобы изменение операционной или продуктовой метрики переводилось во влияние на заказ, NMV, маржинальность и EBITDA.

Стек

Хранилище: Snowflake

Источники данных: MS SQL Server, Postgres, ClickHouse, 1С

BI: Tableau, Metabase

Инструменты: SQL (основной), Python

Уровень и опыт

• Senior
• опыт в аналитике — от 5 лет;
• опыт работы с e-commerce, маркетплейсами или другими транзакционными digital-продуктами будет преимуществом;
• опыт работы одновременно с продуктовой и финансовой аналитикой будет преимуществом.

Hard skills

• уверенный SQL, Python для анализа данных, автоматизации и моделирования;
• построение систем бизнес- и продуктовых метрик;
• продуктовая аналитика: conversion, activation, retention, cohorts, frequency;
• финансовая и бизнес-аналитика, понимание unit-экономики и драйверов маржинальности;
• построение BI-дашбордов, понимание принципов работы DWH;
• опыт работы со Snowflake, MS SQL Server, Postgres, ClickHouse или аналогичными СУБД;
• способность самостоятельно проводить аналитическое исследование от постановки гипотезы до рекомендации бизнесу.

Soft skills

• Системное мышление.
• Бизнес-ориентированность.
• Умение работать с неопределенностью.
• Самостоятельность.
• Приоритизация.
• Структурная коммуникация.
• Способность работать с большим количеством взаимосвязанных показателей.
• Способность влиять на решения через данные и аргументацию, а не через формальные полномочия.

• Оформление: ТК РФ.
• График: 5/2, гибрид (г. Дзержинский).
• Испытательный срок: 3 месяца (цели описаны выше).

Поиск по заказу ООО «Емех»